Churn prediction in media [Dutch]

1,246 views

Published on

Published in: Business, Travel
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,246
On SlideShare
0
From Embeds
0
Number of Embeds
12
Actions
Shares
0
Downloads
39
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Churn prediction in media [Dutch]

  1. 1. 1 Subscriber retention: From subscription hi F b i i history to future customer value 08.05.2008 1
  2. 2. 2 Agenda • Sanoma • Doelstellingen • Analyse vraagstukken • Methode • Resultaten R lt t • Samenvatting
  3. 3. 3 Sanoma (SMB) Magazines SQILLS Jervi Internet Mobile Title 3
  4. 4. 4 Doelstellingen • Boosting customer value • Retentiegraad van abonnees ↑ ↓ ‘churn prevention – strategie churn prevention’
  5. 5. 5 Doelstellingen (2) • Welke klantenprofielen zullen abo opzeggen vs vs. welke zullen abo verlengen? • Wie zijn onze waardevolle vs. minder waardevolle klanten? ↓ Doelgericht acties ondernemen naar sommige klanten
  6. 6. 6 Doelstellingen (3) High Retentie Retentie campagne Waarde campagne Retentie Medium campagne Low Low Medium High Kans op churn Title 6
  7. 7. 7 Analyse vraagstukken • Wie is onze klantenpopulatie? • Wat verstaan we onder ‘toekomstige waarde’? • Welke factoren hangen samen met churn? • Welke klantenpopulatie is churn g p p gevoelig? g • Welke klanten hebben een grote potentiële waarde voor Sanoma? Title 7
  8. 8. 8 De klantenpopulatie • Een klant is een individu welke onder 1 of meerdere ID’s ID s geregistreerd kan staan  Samenvoegen van ID’s tot individuen • Onderscheid betaler / ontvanger Uitgesloten: • SMB-personeel • Gratis abonnementen • enz… Title 8
  9. 9. Methode: verwachte toekomstige waarde g 9 • Abonnement = opeenvolging van cycli € Future Lifetime Value: De verwachte toekomstige waarde die de klant nog kan genereren (afhankelijk huidige lifetime) CYCLUS 1 CYCLUS 2 CYCLUS 3 Vandaag TIJD Title 9
  10. 10. 10 Customer value • De waarde van een klant = verwachte cash inflow – Verwachte toekomstige omzet op abonnementen (stabiele waarde)  geen rekening met k t voor acquisitie: d kk t k i t kosten i iti drukkosten, korting/gift, verzendingskosten, … – Verwachte toekomstige omzet op andere p g p producten zoals gadgets, dvd’s, workshops, etc (incidentele waarde) – I di t waarde Indirect d • Customer value pragmatisch benaderen  stabiele waarde als uitgangspunt gebruiken Title 10
  11. 11. Future Value vs. Past lifetime 11 Expected Future Value E xp ecte F u tu re V alu e (€) ed u 12 18 24 30 36 42 48 54 60 Number of months active Title 11
  12. 12. Methode: kans op churn p 12 •P(churn) = de kans dat de klant zijn abonnement niet meer zal hernieuwen Tijd Cyclus 1 Historiek Cyclus 1 Cyclus 2 Historiek Cycli 1 - 2 Cyclus … Historiek Cycli … Nu Kans op Cyclus N Historiek Cycli 1- N 1 churn? h ? Wat is de kans dat het abonnement wordt opgezegd, gegeven de informatie uit de huidige cyclus en de historiek? Title 12
  13. 13. Factoren die samenhangen met churn g 13 CHURN% : Eerste Cyclus (neen / ja) 0 1 Title 13
  14. 14. 14 Factoren die samenhangen met churn CHURN% : Totaal aantal Cycli 1 2 3 4 5 6 Title 14
  15. 15. Factoren die samenhangen met churn g 15 CHURN%: Aantal secundaire producten aangekocht 0 1 2 3 4 5 Title 15
  16. 16. Factoren die samenhangen met churn g 16 CHURN%: Gebruik van diensten (vb vakantieregeling) NO YES Title 16
  17. 17. Factoren die samenhangen met churn g 17 CHURN%: Aantal klachten 0 1 2 3 4 5 6 7 8 9 Title 17
  18. 18. Modelkracht onderscheid churners en 18 niet-churners i t h Voorbeeld subpopulatie met churn kans = 7% % churners LIFT 100% % CHURN POPULATION 90% 80% 70% 60% RANDOM 50% MODEL 40% EXACT 30% 20% 10% 0% 0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% 65% 70% 75% 80% 85% klanten % 90% 95% 100% % POPULATION Lift-curve: in welke mate een analyse in staat is om churners af te zonderen van niet-churners Title 18
  19. 19. Modelkracht onderscheid churners en 19 niet-churners (2) % CH U R N T AR GE T S W IT H OU T % CH U R N T AR GE T S W IT H % P OP U LAT ION GAIN MOD E L) MOD E L 1 1 3 200% 5 5 25 400% 10 10 43 330% 20 20 59 195% 25 25 65 160% 25 % van de churners zijn terug te vinden in 5% van de klatenpopulatie door gebruik te maken van churnpredictie model Title 19
  20. 20. Samenvatting g 20 • Datamart opgebouwd: – klanthistoriek – Kans op Churn (P(churn)) – Future Lifetime (FLTV) ( ) – Geïmplementeerd met industriestandaarden (Oracle) – Brain-drain document voor elke subscription cycle op individu-niveau • Concepten FLTV en P(churn) staan centraal in nieuwe retentiepolitiek • Datamart kan ook gebruikt worden voor andere analyses l Title 20

×